سیستم تشخیص چهره سه بعدی

1-مقدمه 
یکی از مهمترین تکنولوزیهای تشخیص و شناسایی افراد که از مولفه بیومتریک استفاده شده است سیستم شناسایی از طریق تشخیص چهره میباشد که پس از موفقیت سیستم شناسایی از طریق اثر انگشت در چند سال اخیر جزء مهمترین تکنولوژیهای تشخیص بیومتریک به شمار می آید. این اهمیت و توسعه کاربرد به دو دلیل عمده زیر میباشد: 

 
الف- این سیستم شایستگی استفاده در کاربردهای مختلف امنیتی پردازش تصویر شناسایی اتوماتیک سریع و بدون دخالت شخص را دارد و سرعت پردازش را بالا و خطا را کاهش داده است . 
ب- با وجود سیستمهای بیومتریک قابل اعتمادی مانند تشخیص اثر انگشت و عنبیه چشم سیستم تشخیص چهره رابطه عاطفی تری با کاربر ایجاد کرده و بدون تماس کامل عضوی از بدن با سیستم عملیات تشخیص انجام میگیرد و القای اطمینان بیشتری در کاربر ایجاد میکند و البته توسعه کاربردهای دوربینهای دیجیتالی پیشرفته عامل موثری در توسعه و بالا رفتن طرفداران این سیستم بوده است. 

بطورکلی یک سیستم بیومتریک تشخیص چهره، از چهار ماژول تشکیل یافته است: 


1-
ماژول سنسور: در حالی که تشخیص چهره دو بعدی با دوربین معمولی امکان پذیر میباشد در روش سه بعدی نیاز به یک سنسور پیچیده و سطح بالایی از لحاظ فنی میباشد چرا که بایستی قابلیت کسب اطلاعات عمیق تر را داشته باشد . ماژول سنسور وظیفه گرفتن تصویر اشخاص را بر عهده دارد و بسته به نیاز و کاربرد دستگاه گیرنده میتواند یک دوربین سیاه و سفید و یا رنگی و یا یک ماژول مخصوص با قابلیت استخراج اطلاعات عمیقتر و یا یک دوربین مادون قرمز با تصاویر مادون قرمز باشد. 

2-
ماژول مخصوص تشخیص و استخراج اطلاعات: تصاویر بدست آمده توسط این ماژول در ابتدا ارزیابی محتوایی شده و داده های نامربوط ازقبیل پس زمینه موها و گردن و شانه و غیره حذف و تنها محتوای ناحیه چهره را شناسایی میکند . سپس تصویر بدست آمده تحت فرایندهای محاسباتی و عملیاتی پیچیده برای استخراج اطلاعات مربوط به ویژگیهای سطحی چهره و تجزیه اطلاعات کلی تصویر قرار میگیرد. در حقیقت در این مرحله تصویر خروجی که بایستی توسط ماژول طبقه بندی کننده برای تعیین هویت و تشخیص چهره مورد استفاده قرار گیرد در این مرحله با استفاده از روشهای پیچیده PCA, LDA و غیره آماده میگردد 

3-
ماژول طبقه بندی : در این ماژول قالب تصویر استخراج شده از مرحله قبلی با قالبهای موجود در گالری تصاویر مقایسه میگردد و در نتیجه معلوم میشود که آیا چهره گرفته شده جزء قالبهای موجود میباشد و قابل شناسایی است یا خیر . 
و در صورت مثبت بودن جواب ماژول تصمیم گیری هویت شخص را که بر اساس نتیجه مقایسه ماژول طبقه بندی بوده است را تایید میکند . بر اساس امتیاز بدست آمده از مقایسه که همان درصد تطابق قالب گرفته شده با قالبهای موجود میباشد کاربر مورد نظر مورد تایید قرار گرفته و یا پذیرفته نمیشود . 

4-
ماژول پایگاه داده ها: این ماژول برای ثبت نام - نگهداری واکشی قالب چهره کاربران را بر عهده دارد . در طول ثبت نام ماژول سنسور تصاویر را ثبت کرده و مجموعه این تصاویر همان گالری تصاویر را ایجاد میکند که در مرحله طبقه بندی مورد استفاده قرار میگیرد .در بیشتر روشهای تشخیص چهره چندین نمای متفاوت از یک شخص در حالتهای مختلف روحی خنده اخم و عصبانیت عادی و یا با عینک از کاربر گرفته میشود و این تعدد در بالابردن ضریب شناسایی اهمیت ویژه ایی دارد 
در خصوص اطلاعات سه بعدی که در جهت افزایش دقت در تشخیص مورد استفاده قرار میگیرد علاوه بر اطلاعات دو بعدی تصویر اطلاعات مربوط به ساختار داخلی اندام نظیر کاسه چشم و بینی و چانه نیز مورد ارزیابی قرار میگیرد و نسبت به تصاویر دو بعدی عوامل محیطی و تزئینات ظاهری و آرایش در تجزیه و تحلیل اطلاعات نقش نداشته و حساس نمیباشند . 

روش های معمول عرضه شده، درحال حاضر شامل: 

Eigenfaces,
Linear Discriminant Analysis (LDA), 
Support Vector Machines (SVM) 
و neural networks میباشند. هریک از روش ها دارای مبحثی جداگانه و مفصل بوده که براساس طراحی و عملکرد ویژه خود، در تشخیص چهره نقش ایفا میکنند. دراین مقاله سعی کرده ایم به نقش سیستم سه بعدی در ایجاد چهره های مجازی بصورت یک سیستم تمام اتوماتیک، مورد بررسی قرار دهیم که براساسPIE (وضعیت قرارگیری چهره، روشنایی وحالت آن) عمل میکند و بدلیل استفاده از فقط یک تصویر دوبعدی با نمای روبرو، بنوبه خود از صرف انرژی و زمان در گرفتن تصاویر واقعی با حالات مختلف جهت تشخیص، جلوگیری میکند. 

2-
بازسازی موثر سه بعدی در تشخیص چهره 





تحقیقات انجام شده قبلی در تشخیص چهره، کفایت چهره های مجازی ومدل سه بعدی را به اثبات رسانده است. در این مقاله، ما یک فریم ورک اتوماتیک کارآمد و کامل برای تشخیص چهره را نشان می دهیم که با بازسازی سه بعدی چهره و نیز ایجاد چهره های مجازی با استفاده از نمای روبروی یک چهره عادی دربرابر نور طبیعی، انجام میشود. همانطور که در شکل 1 نشان داده شده است، فریم ورک شامل دو بخش است: 1) بازسازی ارتقا یافته مدل دوبعدی به سه بعدی 2) تشخیص چهره با استفاده از چهره های مجازی دارای PIE های متفاوت. زیر مجموعه های بعدی، این دو بخش را به تفصیل شرح میدهند: 

1-2
بازسازی ارتقایافته مدل دوبعدی به سه بعدی: 

تنها ورودی مورد نیاز برای سیستم تصویر، وجود یک چهره با نور طبیعی ازنمای روبرو و حالت عادی است . بر اساس الگوریتم تطبیق دوبعدی، 83 نقطه کلیدی مربوط به ویژگی ها، بطور خودکار برروی چهره قرار دارند که در شکل 1 نشان داده شده است. در اکثر موارد، این نقاط به اندازه کافی، برای بازسازی چهره جوابگو هستند. یک مدل سه بعدی کلی چهره ، برای بازسازی اختصاصی چهره سه بعدی بکاربرده میشود. اشکال سه بعدی توسط برنامه مدیریت آنالیز کامپوننت ها(PCA) منسجم و فشرده میشود. از تنظیم چهره دوبعدی ، نقاط کلیدی ویژگی ها برای محاسبه ضریب اشکال سه بعدی استفاده می شود که درمرحله بعد، این ضرایب برای بازسازی ساختار سه بعدی چهره استفاده می گردد. در نهایت، بافت اصلی چهره از تصویر ورودی استخراج شده و با نقشه برداری ازاین بافت، بصورت هندسه سه بعدی، مدل سه بعدی آن، بدست می آید که دارای جزییات و ویژگی های واقعی تری در مقایسه با سایر تکنیک ها بوده است. قالب چهره، می تواند برای حالات وحرکات لب نیز ارتقا داده شود. 

2.1.1
نحوه بازسازی هندسه سه بعدی چهره 

بطور کلی ، مطابقت هندسه سه بعدی چهره، با یک تصویر دوبعدی، کاری دشوار بنظرمی رسد. خوشبختانه، مدل های سه بعدی برگرفته از چهره های مختلف، تفاوت زیادی با یکدیگرندارند. ازآنجا که، ویژگی های کلیدی چهره، مانند گوشه چشم ها و نوک بینی در چهره های مختلف بطورکامل برهم منطبق هستند، PCA برای استخراج حالات منسجم صورت با استفاده از جزئیات اولیه مناسب می باشد. 
در مرحله تنظیم هم ترازی ها ، فرض براین است که نقاط کلیدی ویژگی های چهره دوبعدی، برای ساختن چهره سه بعدی انتخاب شده اند. باید توجه داشت چون تصویر دوبعدی و قالب سه بعدی هردو بصورت نمای روبرو هستند، ماتریکس چرخشی مورد نیاز نیست. 

چهره بازسازی شده در شکل 2 نشان داده شده است: 


 
شکل2) بازسازی چهره سه بعدی بترتیب از چپ به راست 
الف) هم ترازی دوبعدی، ب) بازسازی چهره سه بعدی با استفاده از ضرایب مشترکPCA مربوط به مختصات eigenvector، ج) شکل سه بعدی بعد از متناسب سازی Kriging (ج) مدل سه بعدی با بافت اصلی (د) نمایش جدید با استفاده ازPIE 

هندسه سه بعدی بدست آمده از چهره، کاملا مطلوب بنظر می رسد، اما تطابق مختصات x و ý مربوط به راس نقاط کلیدی چهره سه بعدی تا حدودی با مختصاتx و ý دوبعدی تفاوت جزئئ دارد. علت آن است که فضای شکل توسط پایگاه داده های چهره سه بعدی محدود میشود. برای اطمینان از اینکه مختصات ویژگی های چهره، دقیق هستند، مختصات راس ویژگی های کلیدی در چهره سه بعدی، بایستی دقیقا منطبق بر راس مختصات این نقاط در مدل دو بعدی باشد.

 
برای محاسبه و حذف جابجایی وعدم تطابق ها ، از روش تناسب بندی Kriging استفاده میشود. بمنظور تناسب نهایی ، radius base function (RBF) بعنوان یک راه حل جایگزین بکار میرود که نتیجه آن بازسازی هندسه سه بعدی با مختصات دقیق ویژگی های چهره است! برای تطابق دقیق بجز RBF از الگوریتم های متفاوت دیگری نیز میتوان استفاده کرد. تصویر نهایی سه بعدی در شکل 2 نشان داده شده است. 

ترکیب و پیوند ژست های مختلف، روشنایی و حالت های چهره 
در محیط های طبیعی، PIE بعنوان یک مسئله مهم و چالش برانگیز در زمینه الگوریتم های تشخیص چهره باقی مانده است. برای افزایش دقت تشخیص چهره، به دست آوردن نمونه تصاویری از چهره با PIE متفاوت از نمای جلویی چهره، ضروری است. با این حال، تولید تصاویری با چهره های جدید با PIE متفاوت از تصویر روبرو، با بکارگیری روش های کنونی تبدیل دوبعدی به دوبعدی مشکل میباشد. روش پیشنهادی برای حل این مشکل، با استفاده از بازسازی مدل سه بعدی از روی تصویر دوبعدی امکانپذیر میشود که درمرحله بعد، با چرخش این مدل سه بعدی بازسازی شده، می توان تصاویری با ژست های مختلف ایجاد کرد! با بکارگیری طیف